潘树龙，孙维夫

(烟台职业学院 信息工程系，山东 烟台264670)

我国是一个发展中国家，过去长期的执行计划经济模式，物流产业并没有很好的发展．随着改革开放，在良好的宏观经济环境下，市场经济不断地发展，物流产业开始兴起并有了长足的发展，社会物流总额可以很好的反映物流的发展情况［1］．本文首先介绍了物流的一些基础知识，又介绍了时间序列分析的一些相关概念和模型建立的方法，接着用时间序列分析的方法对物流总额进行建模，并预测了2015 年的物流总额预期．

1 时间序列的构成模型

1．1 时间序列的构成要素

时间序列的构成要素分为4 种:长期趋势(T)、季节变动(S)、循环变动(C)、不规则变动(I)．

1．2 时间序列的分解模型

时间序列的分解模型分为［2－3］:

乘法模型中长期趋势T成分取与时间序列原始指标数值Y相同的计量单位的绝对量，其余成分则均以比率(相对量)表示，加法模型中4 个因素是独立的，每个成分均取与时间序列原始指标数值Y相同的计量单位的绝对量表示．完整的时间序列组合模型包括T、S、C、I四种因素，但并非每个时间序列中都同时包含四种成分．一般T是经常存在的，S和C则不一定存在，当S或C不存在时，在乘法模型中，S=1，C=1，而在加法模型中S=0，C=0．

1．3 长期趋势分析

1)间距扩大法．当原始时间序列中个指标数值上下波动，使得现象变化规律表现不明显时，可通过扩大序列时间间隔，以反映现象发展的长期趋势．

2)移动平均法．扩大原时间序列的时间间隔，选定一定的时距项数N采用递次移动的方法对原数列递推移动的N项计算一系列序时平均数消除或削弱了短期偶然因素引起的不规则变动和其他成分，呈现出现象的较长时间的发展趋势移动时距项数N的选择要考虑周期性波动的周期长短，平均时距项数N应和周期长度一致．

3)线性趋势模型法．趋势模型法就是对原时间序列拟合适当的趋势模型，用以描述该时间序列趋势变动的具体模式的方法．

对于一个时间序列，到底配合何种趋势方程，关健是看原数列的特点．在统计上有很多判断分析方法，最简单的就是图示法，根据原数列的动态散点图或折线图来大致判断选择用哪一种模型更恰当．

一般原则是若时间序列的逐期增长量(一次差)大体相同，可拟合直线;若时间序列的逐期增长量的逐期增长量(二级增长量或二次差)大体相同，可拟合抛物线;若时间序列的环比发展速度(或环比增长速度)大体相同，可拟合指数曲线．

②曲线趋势．

(a)二次曲线．当现象发展的趋势为抛物线形态时，或时间序列的二级增长量大体相同时，可配合二次曲线方程．一般形式:t=a+bt+ct2．

根据最小平方法，可导出求常数a、b、c的三个标准方程式:

当取时间数列的中间时期为原点时，上式可简化为:

(b)指数曲线．用于描述以几何级数递增或递减的现象，即时间数列的观察值按指数变化规律变化，或者说时间数列的逐期观察值按一定的百分比增长或衰退．一般形式:t=abt．若b大于1，增长率随着时间的增加而增加;如b小于1，增长率随着时间的减少而减少，当a大于0，b小于1 时，趋势值逐渐降到以0 为极限．log=loga+tlogb．

根据最小平方法，得出:Σlogy=nloga+logbΣt，Σtlogy=logaΣt+logbΣt2．

当取时间序列的中间时期为原点时:Σlogy=nloga，Σtlogy=logbΣt2，求出loga和logb的值后再取其反对数，即得a和b［4］．

2 物流总额预测模型的建立

2．1 数据检验

以中国1997－2014 年物流总额为研究对象．图1 为物流总额与年份的关系图，显然物流总额与年份有明显的指数趋势性．对物流总额进行取对数并计算自相关系数(ACF)及偏自相关系数(PACF)．变换后的时序图及相关图如图2～3 所示．

图1 物流总额与年份的关系图Fig．1 The diagram of the logistics amount and year

图2 时序图Fig．2 Sequence diagram

从图4 中可以看出;样本序列数据的自相关系数和偏相关系数在某一固定水平线附近摆动，且按周期性逐渐衰减，所以该时间序列基本是平稳的，故可对此时间序列分进行模型建立［6］．

图3 相关图Fig．3 The figure

图4 线性分析图Fig．4 Linear analysis diagram

2．2 模型的建立

取物流总量的对数，进行线性分析，其为由图4 看出具有直线趋势，其中自变量为年份．调整R方大于0．95，则此模型是比较准确的，结果见表1～2 得到其模型方程为:y=0．07721x－153．218．

2．3 物流总额预测

根据上述模型所得到的方程可以预测2015 年物流总额的的对数为:4．034，则2015 年的物流总额为:263．27，单位:万亿元．

表1 模型汇总表Tab．1 The model summary table

表2 系数表Tab．2 Coefficient table

3 总结

本文主要介绍了时间序列分析的模型、并建立了关于物流总额的模型，分析检验了数据，预测了2015 年的物流总额．我国的社会物流总额呈明显的上升趋势，并且在未来的一段时间，我国的物流产业会继续不断地发展．

［1］ 西杰优盛行业研究部．2009 年中国物流行业研究报告［M］．北京:商务印书馆，2004．

［2］ 汉斯，克利斯蒂安，波弗尔．物流前沿［M］．张计划，译．北京:机械工业出版社，2004．

［3］ 何书元．时间序列分析应用［M］．北京:北京大学出版社，2004．

［4］ 秦立功，张健，杨一俊．基于人工神经网络的时间序列分析方法在物流需求预测中的应用［J］．物流科技，2007(6):121－126．

［5］ 肖枝洪．时间序列分析与sas 的应用［M］．武汉:武汉大学出版社，2009:16－19．

［6］ 刘爱玉．Spss 基础教程［M］．上海:上海人民出版社，2007．